如何使用基于A(yíng)I的振動(dòng)傳感器節點(diǎn)進(jìn)行故障分類(lèi)

許多工業(yè)工廠(chǎng)依靠電機來(lái)執行生產(chǎn)過(guò)程。由于結構松動(dòng)、軸承損壞、角度和線(xiàn)性不對準、腐蝕、共振和負載不平衡等影響，電機容易發(fā)生故障。

任何這些都可能導致長(cháng)時(shí)間的機器停機。防止此類(lèi)故障一直是制造業(yè)企業(yè)面臨的長(cháng)期挑戰，因為他們尋求最大限度地降低成本并提高生產(chǎn)率。

基于計劃的維護策略可以通過(guò)在預定的時(shí)間間隔內調整和更換零件和子系統來(lái)實(shí)現這些目標。不幸的是，基于計劃的維護可能會(huì )導致不必要的維護。而狀態(tài)維修則是根據設備的實(shí)際情況調整維修方案，提高效率和可靠性。

用于預測性維護的傳感器

預測性維護（PdM）可以提供進(jìn)一步的改進(jìn)。使用最新的高精度慣性傳感器和具有短距離或長(cháng)距離無(wú)線(xiàn)連接的低功耗、高性能邊緣AI設備，可以連續實(shí)時(shí)收集和分析關(guān)鍵機器數據（圖1）。

圖1

.聯(lián)合收割機結合振動(dòng)和MEMS溫度傳感器、電源管理、安全元件和運行機器學(xué)習庫的STM 32 MCU，無(wú)需占用太多空間或功耗，即可監控設備和檢測故障。

在這種情況下，人工智能提供了幾個(gè)優(yōu)勢，可以實(shí)現實(shí)時(shí)和分布式數據分析，并在問(wèn)題升級之前識別潛在問(wèn)題。這種積極主動(dòng)的方法可以最大限度地減少停機時(shí)間，降低維護成本，并通過(guò)在需要時(shí)精確解決問(wèn)題來(lái)延長(cháng)機器的使用壽命，從而優(yōu)化整體運營(yíng)效率。

為了監控這些機器，來(lái)自運動(dòng)傳感器（加速度計，陀螺儀）的數據，通過(guò)不同的算法處理，可以在生產(chǎn)過(guò)程中連續分析電機的振動(dòng)狀態(tài)。nbsp;

利用機器學(xué)習進(jìn)行預測性維護

預測性維護的主要支柱是狀態(tài)監測。使用數字3軸微機電系統（MEMS）傳感器的經(jīng)典狀態(tài)監測方法依賴(lài)于作為控制單元操作的微控制器（MCU）來(lái)驅動(dòng)電源管理，執行數據記錄功能，然后使用常規時(shí)域和頻域分析來(lái)處理數據。

當機器正常運行時(shí)，監測到的振動(dòng)與標準分析模型密切相關(guān)。為了預測任何傾向于故障的漂移，PdM實(shí)施必須通過(guò)將振動(dòng)數據與預定義的閾值進(jìn)行比較來(lái)評估設備狀態(tài)。

這種經(jīng)典的方法具有局限性，因為它需要深入的系統機械和數學(xué)模型以及編程知識來(lái)構建算法和規則。此外，分析模型、算法和閾值具有有限的靈活性。如果資源或工作條件發(fā)生變化，就必須重寫(xiě)規則。

在基于人工智能的方法中，神經(jīng)網(wǎng)絡(luò )模型和機器學(xué)習算法允許系統從數據中不斷學(xué)習，并相應地改進(jìn)其模型。當設備條件發(fā)生變化時(shí)，預測模型的準確性和性能可以得到提高，而無(wú)需調整算法或理解工藝規則。

參考設計套件

在這篇文章中，我們提出了一個(gè)系統解決方案的基礎上STEVAL-PROTEUS 1參考設計套件，一個(gè)工業(yè)無(wú)線(xiàn)傳感器節點(diǎn)，具有緊湊的外形。該設計套件集成了MEMS傳感器、藍牙連接和嵌入式AI庫，可檢測被監控設備中的異常并對故障進(jìn)行分類(lèi)。它通過(guò)USB電纜將結果發(fā)送到PC終端控制臺，或無(wú)線(xiàn)發(fā)送到相關(guān)的移動(dòng)的應用程序STBLESensor。此應用程序以圖形方式顯示結果，并與云共享數據（圖2）。

圖2

.用于預測性維護的設備監控

挑戰在于使用n分類(lèi)機器學(xué)習模型早期檢測通常較晚檢測到的機械漂移。我們的目標是識別和分類(lèi)插入線(xiàn)性錯位增量大小，與“幾十毫米級”的精度。

參考設計架構

STEVAL—PROTEUS1套件是一款專(zhuān)為工業(yè)應用中的溫度和振動(dòng)監測而設計的評估工具。主板（STEVAL—PROTEUS，圖3）包括一個(gè)經(jīng)過(guò)認證的無(wú)線(xiàn)電模塊、用于振動(dòng)監測的工業(yè)MEMS慣性傳感器組合、一個(gè)高精度溫度傳感器、電源管理和保護電路以及用于代碼和數據存儲的2 Gb閃存。

該板還提供STSAFE-A110安全元件，可為本地或遠程主機提供身份驗證和安全數據管理服務(wù)。所有組件都專(zhuān)門(mén)安裝在PCB的頂側，以方便直接連接。

無(wú)線(xiàn)模塊STM32 WB 5 MMG具有超低功耗的小尺寸和STM32 WB 55 VGY無(wú)線(xiàn)SoC。該SoC包含一個(gè)2.4 GHz集成RF部分，其中Arm Cortex-M4內核用于應用處理，Cortex-M0+用于管理無(wú)線(xiàn)電層。M0+可以托管藍牙低功耗（BLE）5、802.15.4、Zigbee 3.0、Thread或專(zhuān)有軟件等堆棧。

圖3

. STEVAL-PROTEUS董事會(huì )

為了加快應用程序開(kāi)發(fā)，該套件附帶了一個(gè)用于異常檢測和分類(lèi)的固件包，可在Cortex-M4上運行。使用來(lái)自慣性傳感器的原始數據，AI算法可以提供任何問(wèn)題的早期警告，例如不平衡或磨損。nbsp;

嵌入式AI是一個(gè)由NanoEdge AI Studio軟件工具生成的機器學(xué)習庫。它從STEVAL-PROTEUS板上的傳感器輸出生成的特定數據集開(kāi)始。NanoEdge AI Studio軟件提取所需用例的機器學(xué)習庫-例如異常檢測或分類(lèi)-將集成到傳感器節點(diǎn)上的MCU中。nbsp;

為了遠程感知機器狀態(tài)，當檢測到異常時(shí)發(fā)出指示，節點(diǎn)使用藍牙連接到STBLESensor應用程序。該應用程序允許用戶(hù)設置傳感器和庫參數，控制學(xué)習和檢測模式，并監控設備故障狀態(tài)。

信號處理和ML模型生成

通常，傳感器以原始形式提供數據，這不適合傳統的預測性維護應用。在傳統算法或基于ML的算法開(kāi)始操作數據之前，必須使用過(guò)濾、整形和其他預處理方法。為了最佳地設計預處理和處理鏈，設計人員必須了解信號的特性。

STEVAL-PROTEUS節點(diǎn)可以從機載慣性傳感器獲取振動(dòng)數據，并使用STM32 WB MCU直接在邊緣處理數據。nbsp;

在狀態(tài)監測中，傳感器信號是沿沿著(zhù)x—y—z軸的加速度樣本的集合。圖4顯示了在時(shí)域和頻域中表示的與正常機器條件對應的振動(dòng)。

圖4

.原始和轉換的傳感器信號。單擊放大圖像

樣本存儲在應用程序固件中實(shí)現的循環(huán)數據緩沖區中。圖5總結了數據生產(chǎn)、處理和發(fā)送結果的邏輯流程。

圖5

. STEVAL-PROTEUS傳感、處理和通信

在這個(gè)例子中，NanoEdgeAI（NEAI）Studio生成了一個(gè)包含預處理塊和ML模型的庫。該工具包含自動(dòng)化機器學(xué)習軟件，讓嵌入式開(kāi)發(fā)人員無(wú)需廣泛的機器學(xué)習或數據科學(xué)知識即可開(kāi)始使用。它可以生成一個(gè)預編譯的C庫，可以集成到STM32 MCU中。通過(guò)遵循圖6所示的工作流程，用戶(hù)可以使用NanoEdge AI Studio獲得可靠的庫。

圖6

. NanoEdge AI Studio工作流程

本示例的目的是將電機軸不對準分為四個(gè)嚴重性類(lèi)別。第一步是定義四個(gè)類(lèi)。然后，您將使用高速數據記錄固件獲取加速度計數據，以生成每個(gè)類(lèi)的數據集。

STEVAL-PROTEUS板上的ISM 330 DHCX加速度計配置為標稱(chēng)輸出數據速率為833 Hz，滿(mǎn)量程為2 g。幾個(gè)預采集周期有助于識別電機速度的這些參數，以確保正確的采樣頻率和x-y-z軸上的最大加速度值。nbsp;

注入條件定義數據集：

無(wú)未對準或標稱(chēng)條件

0.20 mm錯位

0.40 mm錯位

0.60 mm錯位

然后，您需要創(chuàng )建一個(gè)N類(lèi)分類(lèi)NEAI項目，并將STEVAL-PROTEUS 1作為目標。然后可以導入這四個(gè)數據集，基準測試可以根據幾個(gè)性能指標和內存占用來(lái)確定最佳模型。nbsp;

數據集包括423條線(xiàn)或信號，每個(gè)信號包含128 × 3個(gè)樣本。(Note一個(gè)樣本包括對應于在三個(gè)軸上測量的加速度的三個(gè)值）。循環(huán)緩沖區的大小取決于信號的大?。杭疵總€(gè)項目128 × 3個(gè)樣本。

在基準測試過(guò)程中，NanoEdge AI Studio會(huì )訓練、交叉驗證和測試候選庫。它為每個(gè)候選人分配一個(gè)分數，并在基準測試完成時(shí)提供一個(gè)排名。圖7顯示了與從排名中選擇的模型相對應的基準圖。

圖7

. NEAI模型的基準測試

在這個(gè)例子中，基準測試需要23分鐘。選擇的SEFR（可擴展、高效和快速分類(lèi)）模型使用約3 KB的RAM和4 KB的閃存。換句話(huà)說(shuō)，NEAI處理占用了6.4%的RAM和0.5%的STEVAL-PROTEUS板載閃存。(Note：這些百分比的計算考慮了使用FUS v1.2.0.0和BLE全棧v1.13.0.5的用戶(hù)應用程序的可用RAM和閃存，）

NanoEdge AI Studio提供了幾個(gè)性能指標來(lái)評估模型性能，如圖8所示。在這些指標中，平衡精度是數據集平衡的多類(lèi)分類(lèi)問(wèn)題中最重要的值之一。在多類(lèi)分類(lèi)問(wèn)題中，如果每個(gè)類(lèi)包含相同數量的樣本，則數據集是平衡的。

圖8

.模型性能指標

信號處理鏈包括傳統信號處理功能和SEFR多類(lèi)分類(lèi)器機器學(xué)習算法的組合，以識別四個(gè)級別的未對準（圖9）。

圖9

.用AI增強信號處理鏈。單擊放大圖像

接下來(lái)，軟件功能包（FP-AI-PDMWBSOC）有助于加速MCU（STM32 WB）上的ML模型部署。該軟件包專(zhuān)為STEVAL-PROTEUS 1開(kāi)發(fā)，將NEAI庫集成在一個(gè)適合管理不同類(lèi)型傳感器和連接的環(huán)境中。

在傳感器管理器模塊中，多個(gè)傳感器線(xiàn)程處理傳感器初始化、配置和數據生成。數據構建器可以從傳感器任務(wù)中獲取少量數據，并對其進(jìn)行操作以填充循環(huán)緩沖區。稍后，當一個(gè)項目準備就緒時(shí)，NEAI線(xiàn)程處理數據。

這使得數據能夠通過(guò)如前所述的處理鏈。STEVAL-PROTEUS節點(diǎn)通過(guò)藍牙連接到客戶(hù)端設備（如智能手機）共享結果（減少到幾個(gè)字節）。

系統設置和結果

故障分類(lèi)解決方案可以使用伊勢開(kāi)發(fā)的OneX工具等專(zhuān)業(yè)測試臺進(jìn)行驗證。這可以模擬電機最常見(jiàn)的故障，例如軸不對中、不平衡負載、結構松動(dòng)和軸承損壞。

測試臺包含一個(gè)電機和驅動(dòng)器，帶有機械聯(lián)軸器和軸，模擬不平衡的配重盤(pán)和三個(gè)軸承。軸承箱允許應用受控的未對準或安裝損壞的軸承，以進(jìn)行分析。nbsp;

圖10

.使用OneX工具進(jìn)行測試設置

如圖10所示，我們將STEVAL-PROTEUS節點(diǎn)連接到第二個(gè)關(guān)節面上。馬達速度設定為3000 rpm。然后，測試逐漸引入更大的軸承軸不對準，保持其他實(shí)驗參數相同。PROTEUS節點(diǎn)在所有四個(gè)類(lèi)別中正確識別出未對準，并將結果傳達給智能手機應用程序。

圖11

.結果顯示在移動(dòng)的應用程序上。

如圖11所示，移動(dòng)的應用程序顯示與所識別的條件相對應的數字。該應用程序還負責與云共享結果。

使用相同的程序應用其他電機故障以生成適當的ML庫的進(jìn)一步測試表明，使用PROTEUS節點(diǎn)進(jìn)行推理也可以正確識別正常和不平衡負載、機械松動(dòng)和軸承故障。

設備故障的早期檢測

通過(guò)人工智能（AIoT）增強的物聯(lián)網(wǎng)傳感器節點(diǎn)通過(guò)支持早期檢測工業(yè)設備行為中的漂移來(lái)提高預測性維護應用的有效性。

傳感器豐富的STEVAL-PROTEUS節點(diǎn)與使用NanoEdge AI Studio開(kāi)發(fā)的推理應用程序相結合，可以檢測異常振動(dòng)并根據嚴重程度正確識別未對準的幅度。

該傳感器和應用程序可以量化十分之一毫米量級的軸不對中，或小于1克的不平衡。此外，該節點(diǎn)的藍牙連接通過(guò)在系統解決方案中包含藍牙低功耗網(wǎng)關(guān)，實(shí)現工廠(chǎng)內外的遠程監控。

審核編輯 黃宇